Analizando el cerebro

22/05/2017 0 comentarios
Menear

Gracias a los avances en Ingeniería Biomédica podemos analizar datos de casi todo el cuerpo de manera directa. Pero en el caso del cerebro las cosas no son tan fáciles dada la imposibiidad práctica de poderlo manipular directamente. En este caso, se necesitan aproximaciones más indirectas para poder descubrir y entender su funcionamiento.

Si nos rompemos un hueso y el tema es grave, probablemente necesitaremos una operación y el traumatólogo nos reconstruirá, en la medida de lo posible, los fragmentos rotos para que puedan soldarse posteriormente. Igualmente, si tenemos una infección pulmonar, una radiografía podrá ayudar al pneumólogo a diagnosticar la causa y decidir su tratamiento. Pero cuando hablamos del cerebro y de sus enfermedades, el tema ya no es tan simple. No podemos abrir la cabeza para "ver" lo que está pasando y diagnosticar como si fuera el caso de huesos rotos, por ejemplo. 

Para poder investigar en el cerebro se utilizan diferentes tenologías. Una de ellas es la resonancia magnética, que permite hacer una "foto" de la estructura interna del cerebro y a partir de ella poder medir y calcular parámetros característicos. Si la foto es estática, hablamos de resonancia magnética estructural, mientras que si lo que se mide evoluciona a lo largo del tiempo, hablamos de resonancia magnética funcional. En este segundo caso, lo que registramos es la variación en la concentración de oxígeno en sangre en el cerebro gracias a lo que se conoce como efecto BOLD. En este post nos centraremos en explicar algunas cosas y características de la resonancia magnética estructural y dejamos para otra ocasión hablar de resonancia magnética funcional.

Bases de la resonancia magnética

La imagen por resonancia magnética (MRI por sus siglas en inglés) se obtiene gracias al campo magnético que producen los átomos de hidrógeno cuando están sometidos a un campo magnético externo. Esto es así porque los átomos de hidrógeno poseen una carga neta positiva. Al estar sometidos a un campo magnético externo, todos los protones se alinean en una misma dirección, aproximadamente la mitad en el sentido de campo magnético y los demás en sentido contrario. Pero dado que no son mitad y mitad, se produce un vector de magnetización neto no nulo. El campo magnético externo se utiliza para manipular la magnetización de los núcleos de hidrógeno, de forma que decrece la magnetización longitudinal y aparece una magnetización transversal. Cuando cesa este campo externo, los átomos de hidrógeno se relajan liberando la energía absorbida previamente. Esta liberación se produce siguiendo dos mecanismos: por un lado recuperando la magnetización longitudinal original (generará lo que se conoce como imágenes T1) y por otro lado con el decaimiento de la magnetización transversal (que generará lo que se conoce como imágenes T2). Durante el proceso de adquisición se favorece uno u otro tipo de imágenes según el tiempo de repetición (TR, repetition time) de los pulsos de la señal de radiofrecuencia que generará el campo magnético externo, y el tiempo que transcurre (TE, echo time) entre una excitación de señal de radiofrecuencia y la adquisición de la señal generado por los átomos de hidrógeno. En general, para imágenes T1 se necesita un TR corto (45 ms), mientras que para imágenes T2 se precisa un TR > 2000 ms y un TE > 45 ms.

Según el tipo de imágen (T1 o T2), los diferentes tejidos del cerebro aparecerán más claros o más oscuros y por lo tanto se podrán identificar. 

Midiendo la corteza cerebral

Una de las cosas interesantes a medir del cerebro es el espesor de la corteza cerebral (CT, cortical thickness). Mediante complejos algoritmos de procesado de imagen es posible trazar los bordes que separan la corteza cerebral, desde la parte más externa (superficie pial) a la más interna (sustancia blanca). 

En la figura 1 podemos observar un ejemplo de segmentación de la corteza cerebral, que es la zona gris oscura entre las fronteras roja (superficie pial) y amarilla (sustancia blanca). 

CT1

Figura 1: Ejemplo de segmentación automática para el cálculo de espesor de la corteza cerebral. Corte coronal (izquierda) y horizontal (derecha) del hemisferio izquierdo. Imagen extraída de Bruce Fischl y Anders M. Dale PNAS 2000;97:11050-11055)

 La distancia entre la línea roja y la línea amarilla nos dará el espesor de la corteza cerebral. Mediante programas informáticos se realiza este cálculo en miles de puntos del cerebro y se obtiene, por lo tanto, una estimación del grosor de la corteza. Dado que trabajar con tantos puntos no es muy práctico, normalmente se parcela el cerebro en diferentes regiones (normalmente entre un centenar y hasta más de trescientas regiones) y se calcula para cada una de ellas el espesor medio a partir de los valores individuales de espesor de los puntos obtenidos dentro de cada región.

Matriz de covarianza estructural

A partir de los datos de espesor de las regiones consideradas (supongamos que son 300 regiones), se obtiene un vector de espesor cortical encadenando cada uno de estos valores. Este vector es único para cada sujeto. Seguidamente se construye una matriz a partir de estos vectores ocupando cada uno de ellos en una fila de esta matriz. Finalmente, se calcula la correlación de esta matriz, con lo que se obtiene lo que se conoce como matriz de covarianza estructural (ver Figura 2, izquierda). Esta matriz tendrá las mismas dimensiones que el número de regiones consideradas (300 en nuestro caso) y esencialmente cada valor (i,j) indica el grado de similitud en espesor cortical entre la región i y la región j, para el conjunto de individuos. Por lo tanto, un valor próximo a uno indicará que las dos regiones tienen espesor similar, mientras que un valor próximo a cero indicará que el espesor es muy diferente. Por cosntrucción, esta matriz es simétrica, por lo que toda la información está contenida en el triángulo superior (o inferior) de ella y la diagonal es 1 en todas sus posiciones (la región k tendrá el mismo espesor que la región k y por lo tanto la correlación será máxima). 

matrius

Figura 2: Iquierda, ejemplo de matriz de covarianza estructural. El color rojo indica valor màximo de correlación. Derecha, la misma matriz binarizada. Los valores que superan el umbral (blanco) valdrán 1 mientras que los que no superan el umbral (negro) valdrán 0. Imagen extraída de Frontiers in Human Neuroscience9, 675. http://doi.org/10.3389/fnhum.2015.00675

Análisis de conectividad

Una vez obtenida la matriz de covarianza estructural, podemos extraer información de la estructura del cerebro a partir del análisis de conectividad. Una forma de proceder es binarizar la matriz aplicando un umbral de forma que los valores por debajo del umbral se considerarán cero y los valores por encima del umbral uno (ver Figura 2, derecha). Pasaremos, por lo tanto, a tener una matriz binaria, con unos y ceros. Los valores uno indican que entre estas dos regiones hay una relación, mientras que los valores cero indican que no hay relación directa entre las regiones involucradas. Esto permite crear un mapa de conectividad estructural, conocido como red de conectividad estructura. Esta red tendrá unas propiedades que van a depender de donde se encuentran estos valores no nulos, de la candidad de ellos, de sus conexiones, etc. Cada uno de estos valores no nulos recibe el nombre de nodo, y cada nodo puede tener una o varias conexiones. El número total de conexiones de cada nodo se denomina grado y es uno de los parámetros primarios más importantes.

El análisis de redes de conectividad estructural es una herramienta potente para intentar entender el porqué de las diferencias en la estructura cerebral entre grupos. Por ejemplo, en un reciente trabajo publicado en Cerebral Cortex, titulado "Structural Covariance Networks in Children with Autism or ADHD"1 se comparan mediante esta técnica los cerebros de un conjunto de niños de tres grupos distintos: un grupo de control, un grupo con autismo y un grupo con transtorno por déficit de atención e hiperactividad (TDAH). Este análisis permitió identificar que el autismo y el TDAH mostraron alteraciones en la relación entre la covarianza interregional y la distancia al centroide, donde ambos grupos muestran un declive más pronunciado en la covarianza en función de la distancia si los comparamos con el grupo control. Además, los dos grupos (autismo y TDAH) divergen en la organización modular (forma en que se agrupan los nodos), el grosor cortical de las regiones con mayor grado (número de conexiones) y el coste del cableado de la red de covarianza. Por lo tanto, en algunas características de red, los grupos son distintos, pero en otros hay convergencia.

 

(1) https://academic.oup.com/cercor/article/27/8/4267/3867049/Structural-Covariance-Networks-in-Children-with